一种基于三模态协同学习的跨模态行人重识别方法

    公开(公告)号:CN117975556A

    公开(公告)日:2024-05-03

    申请号:CN202410054126.0

    申请日:2024-01-15

    Abstract: 本发明属于智能识别技术领域,公开了一种基于三模态协同学习的跨模态行人重识别方法。基于可见光图像生成对应的灰度图像作为中间模态;通过分阶段融合的三模态联合特征提取网络提取三种模态图像的特征;设置基于相互平均教学策略的分类器组。本发明保证了提取行人鉴别性特征的能力,一定程度上缓解了模态差异。提出一个基于双聚合策略和跨模态滚动采样策略的中心五元组损失。采用样本类中心作为采样元组,并采用双聚合策略将样本向样本类中心靠近,降低异常样本的干扰。本发明采用跨模态滚动采样策略从三个模态中依次选择参考元组和其他两个模态的元组形成两个正负样本对,可以全方位地降低模态差异,更好地提取行人的鉴别性特征。

    一种基于注意力引导门控网络的深度图像补全方法及系统

    公开(公告)号:CN116703743A

    公开(公告)日:2023-09-05

    申请号:CN202310178188.8

    申请日:2023-02-28

    Applicant: 东北大学

    Abstract: 本发明提供一种基于注意力引导门控网络的深度图像补全方法及系统。方法包括:获取RGB色彩图,获取与RGB色彩图对应的原始深度图;将所述RGB色彩图与原始深度图输入第一深度图补全网络,获取第一深度图补全网络的输出作为粗略填充的深度图像;将所述原始RGB色彩图输入标准四卷积层提取各层色彩特征;将所述粗略填充的深度图像输入第二深度补全网络,获得第二深度补全网络的输出作为补全深度图像。本发明利用RGB色彩图基于一种注意力引导门控网络对缺失的深度图进行补全,从而获得更完整、更准确的深度图像。

    一种基于傅里叶变换的高可用性步态分析方法

    公开(公告)号:CN109273090A

    公开(公告)日:2019-01-25

    申请号:CN201811463175.0

    申请日:2018-12-03

    Applicant: 东北大学

    Abstract: 本发明提出了一种基于傅里叶变换的高可用性步态分析方法,对步态数据进行分析并求解步态周期段是该领域的一个核心课题,其中以波峰波谷识别、步态模板匹配、利用信号处理基本方法为主。这些方法尽管其已取得了一定条件下得到了应用,但大多需要预知步态数目、步态模板数据等基本信息,其可用性受限。针对这一问题,本发明提出了一种结合了波峰波谷检测与阈值空间的高可用性步态周期分析方法,通过自动求解预估值,并构建自适应区间,根据通用步态模型对缺乏上述信息的未知步态数据进行切分与分析,能够更便利准确的求解步态周期数据。同时也提出了一种过滤不相关数据的方法,用于过滤测试数据头尾的部分不相关数据。

    一种面向大数据的数据清洗系统及方法

    公开(公告)号:CN104317801B

    公开(公告)日:2017-07-18

    申请号:CN201410483041.0

    申请日:2014-09-19

    Applicant: 东北大学

    Abstract: 一种面向大数据的数据清洗系统及方法,该系统应用层包括数据解析抽取模块、相似连接模块、相似子图聚集模块、实体采样模块、概率计算与实体查询模块,存储层利用Hadoop提供的分布式存储工具HDFS对数据清洗过程中产生的结构化数据记录、相似数据记录对、相似连通子图进行存储,利用Hadoop提供的分布式存储工具HBase对清洗后的结构化数据记录进行存储。该方法包括获取待清洗数据;相似连接;相似子图聚集;实体采样;概率计算与实体查询。本发明是一种面向大数据的数据清洗系统与不确定数据确定化方法,解决了以往的集中式的相似性连接无法适应大规模数据运算的问题,充分利用图以及相关知识创造性的完成大数据清洗,并为海量数据分析提供了数据准备。

    人体活动的识别方法、系统、计算机设备及存储介质

    公开(公告)号:CN114612713B

    公开(公告)日:2025-03-25

    申请号:CN202210208205.3

    申请日:2022-03-04

    Applicant: 东北大学

    Abstract: 本发明提供一种人体活动的识别方法、系统、计算机设备及存储介质,其中识别方法包括如下步骤:获取原始人体活动数据;对所述原始人体活动数据进行预处理,得到第一数据;对所述第一数据的时间维度进行降采样,得到降采样序列;对所述降采样序列进行细化处理,得到第二数据;将所述第二数据输入到LSTM网络进行数据处理,得到第一特征图;对所述第一特征图的时间维度进行全连接层处理,得到第二特征图;对所述第二特征图与所述第一特征图进行乘法运算,得到加权融合特征图;对所述加权融合特征图与所述第一特征图进行相加运算,得到时间融合特征图;对所述时间融合特征图采用全连接层进行分类,得到所述原始人体活动数据的分类结果。

    一种基于LAC-FLOSS算法和IER算法的时间序列分割方法

    公开(公告)号:CN113780295B

    公开(公告)日:2024-02-20

    申请号:CN202111067153.4

    申请日:2021-09-13

    Applicant: 东北大学

    Abstract: 本发明公开了一种基于LAC‑FLOSS算法和IER算法的时间序列分割方法,涉及时间序列数据分割方法。本发明提出了改进的基于Matrix Profile的限制弧跨越的时间序列分割算法LAC‑FLOSS,该算法利用给弧添加权重形成带权弧,然后通过设置匹配距离阈值来解决弧的跨状态的子序列误匹配问题。本发明还利用CAC序列的形状特征,从波谷中提取极小值,进而提出改进的提取分割点算法IER。该算法能够避免现有的分割点提取算法ER使用窗口在非拐点处取到分割点,提升提取分割结果的准确性,通过与ER算法进行对比,验证了IER提取分割点的效果要优于算法ER。

Patent Agency Ranking